kaggle上的常客（医学图像领域比较常用，也是car分割的冠军模型）：
https://www.kaggle.com/c/data-science-bowl-2018/discussion/54426
U-Net: Convolutional Networks for Biomedical Image Segmentation
- VALID padding not SAME padding（因为边界用了镜像处理）
- matched lower and upper features after cropping lower feature（The cropping is necessary due to the loss of border pixels in every convolution：注意看图1中的虚线框，就是与右分支对应的位置去crop左分支）
- weighted cross entropy loss to separate instances
- elastic deformations
边界的镜像处理：
加权处理：类别平衡和给两个细胞之间的空隙更大的权重
可见对于两个细胞之间的缝隙，它们获得的权重值很大，因此会将这部分分成背景（这样做有效的前提是训练数据就没有重叠在一起？）。
语义分割相关的design choices（后面再看看DeepLab系列）：
“DeepLab’s Four Alignment Rules”:
(1) Use of odd-sized kernels in all convolution and pooling ops.
(2) Use of SAME boundary conditions in all convolution and pooling ops.
(3) Use align_corners=True when upsampling feature maps with bilinear interpolation.
(4) Use of inputs with height/width equal to a multiple of the output_stride, plus one (for example, when the CNN output stride is 8, use height or width equal to 8 * n + 1, for some n, e.g., image HxW set to 321x513).
相关讨论：
Unet神经网络为什么会在医学图像分割表现好？
语义分割(semantic segmentation) 常用神经网络介绍对比-FCN SegNet U-net DeconvNet
（这几个网络其实大同小异，要点就是encode & decode，然后底层信息和高层信息融合，做upsampling的时候可以有unpooling或转置卷积等不同的做法）